A principios de este mes, Donald Knuth —autor de The Art of Computer Programming, creador de TeX, y una de las figuras más influyentes de la historia de la informática— publicó un paper en Stanford con un título inusual: “Claude’s Cycles”. El motivo era simple y perturbador: Claude Opus 4.6 le había resuelto en aproximadamente una hora un problema de teoría de grafos en el que él llevaba semanas trabajando.
El paper abre con dos palabras: “Shock! Shock!”. Después de más de 60 años creando los fundamentos del análisis de algoritmos, Knuth se encontró escribiendo esas palabras en la primera línea de un trabajo académico.
¿Qué resolvió Claude y cómo?
El problema era una conjetura de descomposición de grafos, un área de las matemáticas discretas que Knuth había planteado como parte de su trabajo en curso para The Art of Computer Programming. No era un problema trivial tomado de un libro de texto: era una pregunta abierta que el propio Knuth había formulado recientemente y sobre la cual no había encontrado respuesta por sus propios medios.
Aprende IA con nosotros
Únete gratis a mi comunidad en Skool, donde compartimos noticias, tutoriales y recursos para seguir aprendiendo juntos.
👥 Únete gratis 🚀Claude hizo 31 exploraciones en el transcurso de una hora. No ejecutó fuerza bruta ni buscó en una base de datos de soluciones conocidas: razonó sobre el problema, propuso enfoques, los evaluó, los ajustó. Knuth leyó el output, verificó la lógica y redactó una demostración formal de 14 páginas que, según el propio académico, no requirió edición humana sustancial.
El paper cierra con una frase que Yoshua Bengio —Premio Turing en IA, uno de los padres del aprendizaje profundo— compartió ampliamente: “It seems I’ll have to revise my opinions about generative AI one of these days.” Una persona que durante años fue escéptica ante las capacidades reales de estos modelos.
Por qué esto importa más allá de la anécdota
La reacción fácil es encuadrar esto como “la IA es más rápida que el humano”. Pero ese framing se queda corto y desvía la atención de lo que realmente ocurrió.
Knuth no usó la IA para procesar datos en volumen ni para automatizar algo repetitivo. La usó para razonar sobre un problema que él mismo —una mente de primera clase en matemáticas e informática— no había podido resolver. Y la IA no solo encontró una respuesta: encontró la respuesta correcta con una justificación que sobrevivió el escrutinio formal.
Esto conecta con un patrón que hemos visto emerger con creciente frecuencia. Ya documentamos casos donde modelos de IA formularon conjeturas en física que los humanos no habían visto. Y Terence Tao —otro matemático Fields Medal— ha señalado que la IA ya abarató el costo de las ideas; el nuevo cuello de botella es verificarlas. El caso Knuth es, en ese sentido, un punto de confirmación: la IA ya no solo genera ideas plausibles, sino que en algunos dominios genera ideas que resisten la verificación formal.
La pregunta que queda abierta —y que nadie responde bien todavía— es cuándo esto escala y a qué tipo de problemas. El caso de Knuth involucra una conjetura matemática puntual, bien definida, en un dominio donde hay ground truth clara. Eso es distinto de, digamos, un problema de diseño de sistemas, donde los criterios de éxito son más ambiguos y la solución óptima depende de contexto. Pero el área de dominio en que la IA puede ser un par intelectual real se está expandiendo.
¿Qué cambia para quien investiga o construye?
Hay una distinción importante que el propio Knuth señala implícitamente: él planteó el problema. La IA lo resolvió. El acto de formular la pregunta correcta, de decidir qué vale la pena investigar, de saber qué tipo de respuesta buscar —eso siguió siendo humano.
Eso no es una afirmación tranquilizadora de “los humanos siempre seremos relevantes”. Es una descripción de dónde está el shift real: el trabajo de alto valor se mueve hacia la formulación del problema y la evaluación del output, no hacia la resolución mecánica o incluso intelectual en muchos casos.
Para quienes investigan, la implicación práctica es clara: ignorar estas herramientas ya no es una postura neutral. Knuth tardó semanas en llegar a donde llegó con Claude en una hora. Eso no significa que debas reemplazar tu flujo de investigación con IA. Significa que hay un costo real en no tenerla como parte del flujo.
Para quienes construyen productos o servicios basados en IA, el caso Knuth también es un dato: el argumento “esto solo funciona para tareas sencillas” se sostiene cada vez menos. Hace un año se descartaban los LLMs en contextos de razonamiento matemático formal. Hoy Knuth escribe papers con IA en el título.
Startups como Mirendil están apostando exactamente a este escenario: que la IA puede hacer ciencia, no solo describir lo que los humanos hacen. El caso Knuth sugiere que esa apuesta no es prematura.
El límite que no se puede ignorar
Con toda la relevancia del caso, hay un guardarraíl necesario: la solución de Claude fue verificada por Knuth antes de ser publicada. Ese paso sigue siendo humano y sigue siendo fundamental. Modelos de este nivel todavía cometen errores. Lo que cambió no es que la IA sea infalible en matemáticas, sino que la tasa de aciertos en problemas suficientemente definidos ya es lo suficientemente alta como para que la verificación humana valga el esfuerzo.
La ecuación es: si la IA resuelve el 80% de los problemas en 1 hora y tú tardas semanas en todos, el costo esperado de no usarla —incluso contando las veces que falla— es alto.
Knuth lo entendió. Escribió “Shock!” y publicó el paper de todos modos. Eso dice todo lo que necesita decirse.
Fuentes
- Donald Knuth — Claude’s Cycles (Stanford CS, marzo 2026)
- Infobae — Un científico de Stanford reconoce que la IA resolvió en minutos un problema que investigaba
- DiarioBitcoin — Donald Knuth asombrado: Claude Opus 4.6 resuelve problema abierto de ciencias de la computación
- Zen van Riel — Donald Knuth Claude Cycles: AI Solves Open Math Problem
